技术简介
2020年秋季的遥远和面对面地图增长测试的可比性分析
2020年11月
经过:梅根·库赫菲尔德(Megan Kuhfeld),,,,卡琳·刘易斯,,,,帕特里克·迈耶(Patrick Meyer),,,,贝丝·塔拉沙瓦(Beth Tarasawa)
描述
这项研究比较了2020年秋季地图生长测试的心理测量特征和测试质量指标,并进行了远程和面对面的测试。使用147个学区的535,000多名K-8学生的考试成绩(今年秋天有92个完全远程运作,55个向所有人提供面对面的指导学生),这项研究提供了对远程评估与学校评估的可比性的见解。我们发现,所有等级的边际可靠性和测试参与度很高,以及针对3 - 8年级学生的远程和面对面测试的考试成绩的一致趋势。综上所述,这些发现增加了对3年级及以上远程管理的MAP增长评估收集的数据质量的信心。raybet 好用吗
看更多阅读简介
话题:Covid-19和学校,,,,测量和缩放,,,,学校和考试参与
相关话题
在Covid-19期间学习:2021-22学年开始时学生成就和成长的最新
Covid-19在多大程度上影响了阅读和数学的学生成就和成长,哪些学生受到最大影响?使用来自3 - 8年级的600万学生进行阅读和数学的地图增长评估的数据,该简介研究了整个大流行的收益如何(2019年秋季至2021年秋raybet 好用吗季)和2021年秋季的学生成就与流行前趋势相比。这项研究为领导者提供了支持恢复的见解。
经过:卡琳·刘易斯,,,,梅根·库赫菲尔德(Megan Kuhfeld)
话题:Covid-19和学校,,,,公平,,,,增长建模
技术附录:COVID-19期间学习:2021-22学年开始的学生研究和成长的更新
本技术附录的目的是分享更详细的结果,并更全面地描述简介中包含的研究中使用的样本和方法,在Covid-19期间学习:2021-22学年开始时学生成就和成长的最新。我们调查了两个研究问题:
- 2021年秋季的学生成就与大流行前水平相比如何(即2019年秋季)?
- 与规范增长期望相比,2019年秋季至2021年秋季之间的学术收益如何?
经过:梅根·库赫菲尔德(Megan Kuhfeld),,,,卡琳·刘易斯
话题:Covid-19和学校,,,,公平,,,,增长建模
检查多个评估者的三腔模型的性能
使用仿真,这项研究检查了“三轮车模型”,这是一个用于解决评估者分歧的最新模型。
经过:詹姆斯·索兰(James Soland),,,,梅根·库赫菲尔德(Megan Kuhfeld)
话题:测量和缩放
BFPACK:R的灵活贝叶斯因子在R中的科学理论测试
在本文中,我们提出了一个名为BFPACK的新R软件包,其中包含许多常见测试问题的贝叶斯因子假设测试的功能。该软件包括(i)贝叶斯探索性测试的新颖工具(例如,零与正面效果),(ii)贝叶斯验证性测试(具有平等和/或订单约束的竞争假设),(iii)常见统计分析,例如线性回归,通用线性模型,(CO)方差的(多元)分析,相关分析和随机拦截模型,(iv)使用默认先验和(v),同时允许数据包含随机缺失的缺失观测值。
经过:乔里斯·穆尔德(Joris Mulder),,,,唐纳德·威廉姆斯,,,,Xin Gu,,,,安德鲁·托马肯(Andrew Tomarken),,,,FlorianBöing-Messing,,,,安东·奥尔森 - 包衣,,,,Marlyne Meijerink-Bosman,,,,Janosch Menke,,,,罗比·范·阿特(Robbie Van Aert),,,,让·保罗·福克斯(Jean-Paul Fox),,,,赫伯特·霍伊特克(Herbert Hoijtink),,,,伊夫·罗斯塞尔(Yves Rosseel),,,,Eric-Jan Wagenmakers,,,,Caspar van Lissa
话题:测量和缩放
将个人置于可靠性:贝叶斯对层次模型中均质内差异的测试
这项研究介绍了一种新的方法,即使用贝叶斯因素,其中研究人员可以直接测试层次模型中同质的内差异。此外,我们介绍了一个会员模型,该模型允许分类哪个(以及多少)个人属于共同方差模型。
经过:唐纳德·威廉姆斯,,,,斯蒂芬·马丁,,,,Phillipe Rast
话题:测量和缩放
GGMNONREG:R中的非规范化高斯图形模型
图形建模最近在心理学中出现(Epskamp等人,2018年),其中数据通常是长或低维的(p
社会行为科学)。
经过:唐纳德·威廉姆斯
话题:测量和缩放